科学家利用AI程序发现了新的物理定律

美国埃默里大学(Emory University)的科学家开发了一种定制的人工智能神经网络，纠正了多年来影响等离子体理论的错误假设，其中包括有关粒子电荷的假设。

与典型的人工智能研究（模型预测结果或清理数据）不同，亚特兰大埃默里大学的研究人员做了一些不同寻常的事情。他们训练了一个神经网络来发现新的物理学。

该团队通过向人工智能系统输入一种名为尘埃等离子体的神秘物质状态（一种充满微小尘埃颗粒的高温带电气体）的实验数据，实现了这一独特的壮举。随后，科学家们观察到人工智能系统对此前从未被完全理解的奇异力量进行了令人惊讶的精确描述。
这一进展表明，人工智能可以用来揭示此前未知的、支配粒子在混沌系统中相互作用的规律。此外，它还纠正了等离子体物理学中长期存在的假设，并为以全新方式研究从活细胞到工业材料的复杂多粒子系统打开了大门。

该研究的参与者之一、埃默里大学教授贾斯汀·伯顿称：“我们证明了我们可以利用人工智能发现新的物理学。我们的人工智能方法并非黑匣子：我们了解它的工作原理和原理。它提供的框架也具有通用性。它有可能应用于其他多体系统，从而开辟新的探索途径。”

人工智能是如何学会建立定律的？

研究人员将现实世界的实验与精心设计的人工智能模型相结合。他们首先研究了尘埃等离子体。这种物质状态遍布宇宙，从土星环和月球表面到地球上的野火烟雾。

然而，尽管尘埃等离子体存在于宇宙中，我们对粒子之间作用力的具体机制仍然知之甚少。这是因为该系统的行为方式是非互易的，这意味着一个粒子对另一个粒子施加的力不一定能得到相应的力。

事实证明，用传统物理学来理解此类相互作用极其困难。为了解决这个问题，科学家们构建了一个复杂的3D成像系统，以观察塑料尘埃颗粒在充满等离子体的腔室内的运动情况。他们使用激光片和高速摄像机捕捉了数千个微小颗粒在三维空间中随时间的运动。

这些详细的轨迹随后被用于训练定制的神经网络。与大多数需要海量数据集的人工智能模型不同，埃默里大学团队的网络训练基于规模虽小但内容丰富的数据集，并根据内置的物理规则进行设计，例如考虑重力、阻力和粒子间作用力。
“当你探索新事物时，你没有大量的数据来训练人工智能。这意味着我们必须设计一个可以用少量数据进行训练，并且仍然能够学习新知识的神经网络，”该研究的资深学者、埃默里大学教授伊利亚·内门曼 (Ilya Nemenman) 说道。

神经网络将粒子运动分解为三个部分：速度效应（如阻力）、环境力（如重力）以及粒子间力。这使得人工智能能够在遵循基本物理原理的同时学习复杂的行为。

结果，发现了非互易力的精确描述，准确率超过99%。一个令人惊讶的发现是，当一个粒子领先时，它会把后面的粒子拉向它，而后面的粒子又会把领先粒子推开。这种不对称相互作用曾被怀疑存在，但此前从未被清晰地建模过。

神经网络纠正了过去的假设

人工智能纠正了一些多年来影响等离子体理论的错误假设。“更有趣的是，我们证明了一些关于这些力的常见理论假设并不十分准确。我们之所以能够纠正这些错误，是因为我们现在可以如此精细地观察正在发生的事情，”内门曼补充道。

例如，其中一个假设是粒子的电荷恰好随着其尺寸的增加而增加——事实证明并非如此。相反，这种关系取决于周围等离子体的密度和温度。

另一个错误的想法是，无论粒子大小如何，粒子之间的力总是随着距离的增加而呈指数衰减。人工智能揭示，这种衰减还取决于粒子的大小，这是之前被忽视的洞见。

最棒的是，这个人工智能模型可以在像台式电脑这样简单的设备上运行。它构建了一个通用框架，现在可以应用于各种多粒子系统，从油漆混合物到生物体内的迁移细胞。这项研究还表明，人工智能的作用远不止于数字运算。它实际上可以帮助科学家发现支配自然的隐藏规律。

内门曼表示：尽管人们都在谈论人工智能如何彻底改变科学，但很少有例子表明人工智能系统能够直接发现一些根本性的新事物，希望这项研究能够鼓励科学家们探索人工智能如何造福科学和社会的更多途径。
这项研究最近发表在《美国国家科学院院刊》（PNAS)上。